Clases Diseños Experimentales

DISEÑOS EXPERIMENTALES
Planificación de un experimento.
La experimentación forma parte natural de la mayoría de las investigaciones científicas e

industriales, en muchas de las cuales, los resultados del proceso de interés se ven
afectados por la presencia de distintos factores, cuya influencia puede estar oculta por la
variabilidad de los resultados muestrales. Es fundamental conocer los factores que influyen
realmente y estimar esta influencia. Para conseguir esto es necesario experimentar, variar
las condiciones que afectan a las unidades experimentales y observar la variable respuesta.
Del análisis y estudio de la información recogida se obtienen las conclusiones.
La forma tradicional que se utilizaba en la experimentación, para el estudio de estos

problemas, se basaba en estudiar los factores uno a uno, esto es, variar los niveles de un
factor permaneciendo fijos los demás. Esta metodología presenta grandes inconvenientes:
 Es necesario un gran número de pruebas.
 La conclusión obtenida en el estudio de cada factor tiene un campo de validez muy

restringido.
 No es posible estudiar la existencia de interacción entre los factores.
 Es inviable, en muchos casos, por problemas de tiempo o costo.
Las técnicas de diseño de experimentos se basan en estudiar simultáneamente los efectos

de todos los factores de interés, son más eficaces y proporcionan mejores resultados con un
menor costo.
A continuación, se enumeran las etapas que deben seguirse para una correcta planificación
de un diseño experimental, etapas que deben ser ejecutadas de forma secuencial. También
se introducen algunos conceptos básicos en el estudio de los modelos de diseño de
experimentos. Las etapas a seguir en el desarrollo de un problema de diseño de
experimentos son las siguientes:
1. Definir los objetivos del experimento
2. Identificar todas las posibles fuentes de variación, incluyendo:
Factores tratamiento y sus niveles,
Unidades experimentales,
1
Factores nuisance (molestos): factores bloque, factores ruido y covariables.
3. Elegir una regla de asignación de las unidades experimentales a las condiciones de

estudio (tratamientos).
4. Especificar las medidas con que se trabajará (la respuesta), el procedimiento

experimental y anticiparse a las posibles dificultades.
5. Ejecutar un experimento piloto.
6. Especificar el modelo.
7. Esquematizar los pasos del análisis.
8. Determinar el tamaño muestral.
9. Revisar las decisiones anteriores. Modificarlas si se considera necesario.
Los pasos del listado anterior no son independientes y en un determinado momento puede
ser necesario volver atrás y modificar decisiones tomadas en algún paso previo.
A continuación, se hace una breve descripción de las decisiones que hay que tomar en cada
uno de los pasos enumerados. Sólo después de haber tomado estas decisiones se
procederá a realizar el experimento.
1.- Definir los objetivos del experimento.
Se debe hacer una lista completa de las preguntas concretas a las que debe dar respuesta
el experimento. Es importante indicar solamente cuestiones fundamentales ya que tratar de
abordar problemas colaterales puede complicar innecesariamente el experimento.
Una vez elaborada la lista de objetivos, puede ser útil esquematizar el tipo de conclusiones
que se espera obtener en el posterior análisis de datos.
Normalmente la lista de objetivos es refinada a medida que se van ejecutando las etapas del
diseño de experimentos.
2.- Identificar todas las posibles fuentes de variación.
Una fuente de variación es cualquier “cosa” que pueda generar variabilidad en la

respuesta. Es recomendable hacer una lista de todas las posibles fuentes de variación del
problema, distinguiendo aquellas que, a priori, generarán una mayor variabilidad. Se
distinguen dos tipos:
2
Factores tratamiento: son aquellas fuentes cuyo efecto sobre la respuesta es de particular
interés para el experimentador.
Factores “nuisance”: son aquellas fuentes que no son de interés directo pero que se
contemplan en el diseño para reducir la variabilidad no planificada.
A continuación, se precisan más estos importantes conceptos.
(i) Factores y sus niveles.
Se denomina factor tratamiento a cualquier variable de interés para el experimentador

cuyo posible efecto sobre la respuesta se quiere estudiar.
Los niveles de un factor tratamiento son los tipos o grados específicos del factor que se
tendrán en cuenta en la realización del experimento.
Los factores tratamiento pueden ser cualitativos o cuantitativos.
Ejemplos de factores cualitativos y sus niveles respectivos son los siguientes:
 Sustrato (diferentes tipos de sustratos),
 Densidad de siembra (diferentes tipos de densidad de siembra o plantación),
 Trabajador (los trabajadores encargados de hacer una tarea),
 Tiempo (horas, días, semanas de almacenamiento de semillas),
 Un aditivo químico (niveles de nitrógeno), el sexo (hombre y mujer),
 Enseñanza (determinado método de enseñanza cuyos resultados se quieren comparar
Ejemplos de factores cuantitativos son los siguientes:
 Tamaño de plantas (diferentes tamaños de plantas para plantar en campo)
 Dosis (distintas cantidades de abonamiento con NPK),
 Temperatura (conjuntos de temperaturas seleccionadas en unos rangos de interés).
Debe tenerse en cuenta que en el tratamiento matemático de los modelos de diseño de

experimento los factores cuantitativos son tratados como cualitativos y sus niveles son
elegidos equiespaciados o se codifican. Por lo general, un factor no suele tener más de
cuatro niveles.
3
Cuando en un experimento se trabaja con más de un factor, se denomina:
Tratamiento a cada una de las combinaciones de niveles de los distintos factores.
Observación es una medida en las condiciones determinadas por uno de los tratamientos.
Experimento factorial es el diseño de experimentos en que existen observaciones de todos

los posibles tratamientos.
(ii) Unidades experimentales.
Son el material donde evaluar la variable respuesta y al que se le aplican los distintos
niveles de los factores tratamiento.
Ejemplos de unidades experimentales son:
Agricultura, Forestales: semillas, plantas, parcelas de tierra,
Zootecnia, individuos o animales,
Industrias, lotes de material, trabajadores, máquinas.
Cuando un experimento se ejecuta sobre un período de tiempo de modo que las

observaciones se recogen secuencialmente en instantes de tiempo determinados, entonces
los propios instantes de tiempo pueden considerarse unidades experimentales.
Es muy importante que las unidades experimentales sean representativas de la población

sobre la que se han fijado los objetivos del estudio. Por ejemplo, si se utilizan los estudiantes
universitarios de un país como unidades experimentales, las conclusiones del experimento
no son extrapolables a toda la población adulta del país.
(iii) Factores “nuisance”: bloques, factores ruido y co-variables.
En cualquier experimento, además de los factores tratamiento cuyo efecto sobre la

respuesta se quiere evaluar, también influyen otros factores, de escaso interés en el estudio,
pero cuya influencia sobre la respuesta puede aumentar significativamente la variabilidad no
planificada. Con el fin de controlar esta influencia pueden incluirse en el diseño nuevos
factores que, atendiendo a su naturaleza, pueden ser de diversos tipos.
Factor bloque. En algunos casos el factor nuisance puede ser fijado en distintos niveles,
de modo que es posible controlar su efecto a esos niveles. Entonces la forma de actuar es
mantener constante el nivel del factor para un grupo de unidades experimentales, se cambia
a otro nivel para otro grupo y así sucesivamente. Estos factores se denominan factores de
4
bloqueo (factores-bloque) y las unidades experimentales evaluadas en un mismo nivel del
bloqueo se dice que pertenecen al mismo bloque. Incluso cuando el factor nuisance no es
medible, a veces es posible agrupar las unidades experimentales en bloques de unidades
similares: parcelas de tierra contiguas o períodos de tiempo próximos probablemente
conduzcan a unidades experimentales más parecidas que parcelas o períodos distantes.
Desde un punto de vista matemático el tratamiento que se hace de los factores-bloque es el

mismo que el de los factores-tratamiento en los que no hay interacción, pero su concepto
dentro del modelo de diseño de experimentos es diferente. Un factor-tratamiento es un
factor en el que se está interesado en conocer su influencia en la variable respuesta y un
factor-bloque es un factor en el que no se está interesado en conocer su influencia pero se
incorpora al diseño del experimento para disminuir la variabilidad residual del modelo.
Covariable. Si el factor nuisance es una propiedad cuantitativa de las unidades

experimentales que puede ser medida antes de realizar el experimento (el tamaño de un
fichero informático, la presión sanguínea de un paciente en un experimento médico o la
acidez de una parcela de tierra en un experimento agrícola). El factor se denomina
covariable y juega un papel importante en el análisis estadístico.
Ruido. Si el experimentador está interesado en la variabilidad de la respuesta cuando se

modifican las condiciones experimentales, entonces los factores nuisance son incluidos
deliberadamente en el experimento y no se aísla su efecto por medio de bloques. Se habla
entonces de factores ruido.
En resumen, las posibles fuentes de variación de un experimento son:
FUENTE TIPO
Debida a las condiciones de interés Planificada y sistemática
(Factores tratamiento)
Debida al resto de condiciones controladas Planificada y sistemática
(Factores “nuisance”)
Debida a condiciones no controladas No planificada, pero ¿sistemática?
(Error de medida, material experimental.)
5
3.- Elegir una regla de asignación de las unidades experimentales a las condiciones
de estudio (“tratamientos”).
La regla de asignación o diseño experimental especifica que unidades experimentales

se observarán bajo cada tratamiento. Hay diferentes posibilidades:
 Diseño factorial o no,
 Anidamiento,
 Asignación al azar en determinados niveles de observación,
 El orden de asignación, etc.
 En la práctica, existen una serie de diseños estándar que se utilizan en la mayoría de

los casos.
4.- Especificar las medidas que se realizarán (la “respuesta”), el procedimiento

experimental y anticiparse a las posibles dificultades.
Variable respuesta o variable de interés. Los datos que se recogen en un experimento

son medidas de una variable denominada variable respuesta o variable de interés.
Es importante precisar de antemano cuál es la variable respuesta y en qué unidades se

mide. Naturalmente, la respuesta está condicionada por los objetivos del experimento. Por
ejemplo, si se desea detectar una diferencia de 0.05 gramos en la respuesta de dos
tratamientos no es apropiado tomar medidas con una precisión próxima al gramo.
A menudo aparecen dificultades imprevistas en la toma de datos. Es conveniente anticiparse

a estos imprevistos pensando detenidamente en los problemas que se pueden presentar o
ejecutando un pequeño experimento piloto (etapa 5). Enumerar estos problemas permite en
ocasiones descubrir nuevas fuentes de variación o simplificar el procedimiento experimental
antes de comenzar.
También se debe especificar con claridad la forma en que se realizarán las mediciones:
instrumentos de medida, tiempo en el que se harán las mediciones, etc.
5.- Ejecutar un experimento piloto.
Un experimento piloto es un experimento que utiliza un número pequeño de observaciones.

El objetivo de su ejecución es ayudar a completar y chequear la lista de acciones a realizar.
Las ventajas que proporciona la realización de un pequeño experimento piloto son las
siguientes:
6
 Permite practicar la técnica experimental elegida e identificar problemas no
esperados en el proceso de recogida de datos,
 Si el experimento piloto tiene un tamaño suficientemente grande puede ayudar a

seleccionar un modelo adecuado al experimento principal,
 Los errores experimentales observados en el experimento piloto pueden ayudar a

calcular el número de observaciones que se precisan en el experimento principal.
6.- Especificar el modelo.
El modelo matemático especificado debe indicar la relación que se supone que existe
entre la variable respuesta y las principales fuentes de variación identificadas en el paso
2. Es fundamental que el modelo elegido se ajuste a la realidad con la mayor precisión
posible.
El modelo más habitual es el modelo lineal:
En este modelo la respuesta viene dada por una combinación lineal de términos que
representan las principales fuentes de variación planificada más un término residual
debido a las fuentes de variación no planificada. Los modelos que se estudian en este
texto se ajustan a esta forma general. El experimento piloto puede ayudar a comprobar si
el modelo se ajusta razonablemente bien a la realidad.
Los modelos de diseño de experimentos, según sean los factores incluidos en el mismo,
se pueden clasificar en: modelo de efectos fijos, modelo de efectos aleatorios y modelos
mixtos. A continuación, se precisan estas definiciones.
Factor de efectos fijos es un factor en el que los niveles han sido seleccionados por el
experimentador. Es apropiado cuando el interés se centra en comparar el efecto sobre la
respuesta de esos niveles específicos.
Ejemplo: un empresario está interesado en comparar el rendimiento de tres máquinas del

mismo tipo que tiene en su empresa.
Factor de efectos aleatorios es un factor del que sólo se incluyen en el experimento una
muestra aleatoria simple de todos los posibles niveles del mismo. Evidentemente se
utilizan estos factores cuando tienen un número muy grande de niveles y no es razonable
o posible trabajar con todos ellos. En este caso se está interesado en examinar la
variabilidad de la respuesta debida a la población entera de niveles del factor.
7
Ejemplo: una cadena de hipermercados que tiene en planilla 300 trabajadores de caja
está interesada en estudiar la influencia del factor trabajador en la variable “tiempo en el
cobro a un cliente”.
Modelo de efectos fijos es un modelo en el que todos los factores son factores de
efectos fijos.
Modelo de efectos aleatorios es un modelo en el que todos los factores son factores de
efectos aleatorios.
Modelo mixto es un modelo en el que hay factores de efectos fijos y factores de efectos
aleatorios.
7.- Esquematizar los pasos del análisis estadístico.
El análisis estadístico a realizar depende de:
Los objetivos indicados en el paso1º,
Del diseño seleccionado en el paso 3º,
El modelo asociado que se especificó en el paso 5º.
Se deben esquematizar los pasos del análisis a realizar que deben incluir:
Estimaciones que hay que calcular,
Contrastes a realizar,
Intervalos de confianza que se calcularán
Diagnosis y crítica del grado de ajuste del modelo a la realidad.
8.- Determinar el tamaño muestral.
Calcular el número de observaciones que se deben tomar para alcanzar los objetivos del
experimento.
Existen, dependiendo del modelo, algunas fórmulas para determinar este tamaño. Todas
ellas sin embargo requieren el conocimiento del tamaño de la variabilidad no planificada
(no sistemática y sistemática, si es el caso) y estimarlo a priori no es fácil, siendo
aconsejable sobreestimarla. Normalmente se estima a partir del experimento piloto y en
base a experiencias previas en trabajos con diseños experimentales semejantes.
8
9.- Revisar las decisiones anteriores. Modificar si es necesario.
De todas las etapas enumeradas, el proceso de recogida de datos suele ser la tarea que
mayor tiempo consume, pero es importante realizar una planificación previa, detallando los
pasos anteriores, lo que garantizará que los datos sean utilizados de la forma más eficiente
posible.
Es fundamental tener en cuenta que
“Ningún método de análisis estadístico, por sofisticado que sea, permite extraer
conclusiones correctas en un diseño de experimentos mal planificado”.
Recíprocamente, debe quedar claro que el análisis estadístico es una etapa más que está
completamente integrado en el proceso de planificación.
“El análisis estadístico no es un segundo paso independiente de la tarea de planificación. Es

necesario comprender la totalidad de objetivos propuestos antes de comenzar con el
análisis. Si no se hace así, tratar que el experimento responda a otras cuestiones a
posteriori puede ser (lo será casi siempre) imposible”.
Pero no sólo los objetivos están presentes al inicio del análisis sino también la técnica
experimental empleada. Una regla de oro en la experimentación y que debe utilizarse es la
siguiente:
“No invertir nunca todo el presupuesto en un primer conjunto de experimentos y utilizar en

su diseño toda la información previa disponible”.
Finalmente indicar que todas las personas que trabajan en el experimento se deben implicar
en el mismo, esto es:
“Toda persona implicada en la ejecución del experimento y en la recolección de los datos

debe ser informada con precisión de la estrategia experimental diseñada”.
Son modelos experimentales matemáticos diseñados para disminuir al máximo el error

experimental y posibilitar el análisis estadístico que lleve a conclusiones a cerca de los datos
o resultados obtenidos y sobre la aceptación o rechazo de la hipótesis. Los siguientes
diseños experimentales son de uso común en los experimentos forestales agrícolas, y
afines:
9
Diseño Completamente Aleatorizado (DCA)
El diseño se utiliza cuando el material de estudio es suficientemente homogéneo. Todas las

unidades experimentales reúnen prácticamente las mismas características, de modo que el
efecto de un tratamiento sobre la variable bajo estudio, es el mismo, independientemente
de la unidad experimental donde se mida, salvo por variaciones aleatorias debidas a las
fuentes del error en la investigación. La condición de homogeneidad en el material
experimental, permite que cada tratamiento pueda ensayarse con el número de repeticiones
que se desee.
Se denomina también clasificación a un criterio, consiste en comprobar la igualdad de un

número determinado m promedios poblacionales (X) de también n muestras aleatorias
extraídas de estas poblaciones. El modelo lineal para interpretar los experimentos
completamente aleatorios está dado por la relación
Donde
Es un efecto común a todas las unidades experimentales,
Es el efecto del tratamiento i,
Es el término de error y
Es el valor de la característica en estudio.
HIPÓTESIS NULA (Ho)
HIPÓTESIS ALTERNA (Ha)
Ha: Por lo menos dos medias son diferentes
Ya se mencionó que, el diseño es útil cuando las unidades experimentales son

homogéneas. Este es el caso en muchos tipos de experimentos de laboratorio, invernadero,
viveros. El diseño es flexible en cuanto a que el número de tratamientos y repeticiones, sólo
está limitado por el número de unidades experimentales disponibles. El número de
repeticiones puede variar de un tratamiento a otro. El análisis estadístico es simple. Sin
embargo, la prueba de significación y la construcción del intervalo de confianza requieren
10
atención especial cuando hay heterogeneidad de la varianza.
La desventaja principal es su frecuente ineficiencia. Como la aleatorización no tiene

restricciones, el error experimental incluye toda la variación entre las unidades
experimentales excepto la variación debida a los tratamientos.
Ejemplo de una distribución de tratamientos completamente al azar
Estudio de 04 variedades de maíz para grano tratadas con hormona común para estudiar el
efecto sobre la plántula bajo condiciones de invernadero.
Tratamientos A, B, C, D (variedades de maíz)
Repeticiones I, II, III, IV, V
Usando cualquier sistema de sorteo, se puede tener la siguiente distribución de tratamientos
C B D A B
20 19 18 17 16
A B C B C
11 12 13 14 15
D C A D A
10 9 8 7 6
A B D C D
1 2 3 4 5
Repetición
Tratamiento I II III IV V
A 1 6 8 11 17
B 2 12 14 16 19
C 4 9 13 15 20
D 3 5 7 10 18
Ejemplo distribuir los tratamientos A B y C en Diseño Completamente Aleatorio.
Si los tratamientos A B y C son tipos de sustratos, una de las tantas formas de distribución
será como indica la siguiente tabla.
11
Repetición I Repetición II Repetición III Repetición IV Repetición V
A B C C A
C B A B C
B A C B A
Supongamos que una especie forestal requiere de un sustrato adecuado para su

crecimiento inicial en vivero recientemente instalado; para conocer qué tipo de sustrato es
mejor se preparó tres tipos como son:
Al sustrato preparado con tierra agrícola + turba + arena en proporción de 3: 2: 1

denominamos tratamiento A
Tierra agrícola + turba + guano de corral en una proporción 2: 2: 1 denominamos tratamiento

B
Tierra agrícola del lugar sin incremento de turba y arena: denominamos tratamiento C
Después de su aplicación los resultados de altura de las plantas es el siguiente:
Repetición I Repetición II Repetición III Repetición IV Repetición V
A =29 B = 55 C =42 C =31 A = 27
C =36 B = 60 A = 36 B =49 C =21
B =53 A = 32 C = 29 B = 50 A = 38
Ordenando los resultados del experimento
Repetición Tratamientos
A B C
I 29 53 36
II 32 55 42
III 36 60 29
IV 27 49 31
V 38 50 21
TOTAL 162 267 159
MEDIA 32.4 53.4 31.8
12
Los resultados del experimento no son iguales, existe variación dentro de los tratamientos y
variación entre los tratamientos, en consecuencia, se debe realizar el análisis de varianza
para conocer si esta variación es significativa estadísticamente.
El método de análisis de varianza se debe a Ronald Fisher.
CUADRO DE ANÁLISIS DE VARIANZA PARA UNA DISTRIBUCIÓN EN DISEÑO

COMPLETAMENTE AL AZAR
Fuentes de Grados de Suma de Cuadrado F, calculado Fα 0.05

Variación libertad (g.l) cuadrados (S.C) Medio (C.M)
Tratamiento t–1 S.C.Trat C.M.Trat C.M.Trat/s2
error t (r - 1) S.c. Error C.M.Error =s2
Total rt–1 S.C. Tot
t = número de tratamientos
r = número de repeticiones
PROCEDIMIENTO DE CÁLCULO
1 Factor de corrección (FC)
2 Suma Cuadrado Tratamientos (S.C.Trat)
13
3 Suma Cuadrado Total (S.C.Tot )
4 Suma Cuadrado Error (S.C. Error)
Suma Cuadrado Total – Suma Cuadrado Tratamiento
1922.4 - 1513.2 = 409.2
5 Cuadrado Medio Tratamientos (C.M.Trat)
6 Cuadrado Medio Error (C.M.Error)
7 F, calculado, se lee como F calculado. Se refiere a la distribución de probabilidad de

F de Snedecor.
Una vez calculado las sumas de cuadrados y los cuadrados medios, los valores de cada uno
de ellos trasladamos a la siguiente tabla de análisis de varianza
Fuentes de Suma de Grados de Cuadrado F, calculado Fα 0.05

Variación Cuadrados libertad Medio
Tratamiento 1513.20 2 756.00 22.188 3.89
error 409.2 12 34.10
Total 1922.40 14
El valor de Fα 0.05 se busca en la tabla de distribución de probabilidades de F con el nivel

de significación escogido y los grados de libertad del tratamiento y grados de libertad del
14
Error, (2, 12) siendo este valor 3.89
Finalmente se interpreta
Fc, 22.188 es mayor que tabulado Fα 0.05 (3.89), en consecuencia, se dice que existe
diferencia estadística significativa entre los promedios de los tratamientos
Esto nos conduce rechazar la hipótesis planteada y se aceptar la hipótesis alterna, en otras
palabras, los promedios de los tratamientos no son iguales como se ha supuesto al inicio del
experimento.
La prueba de F significativa indica que la variabilidad entre los tratamientos no se debe al

azar, sino a un efecto distinto de dichos tratamientos, lo cual es equivalente a indicar que
las diferencias son significativas entre las medias de las poblaciones, estimadas por las
medias de las muestras; sin embargo, la prueba de F no indica cuáles medias son iguales o
cuáles son diferentes.
Con los datos del cuadro de análisis de varianza se hacen las pruebas de significación de
las diferencias, para ello existen varios métodos o pruebas como son: Tukey, Duncan,
Comparaciones Ortogonales Dunnet, Diferencia Mínima Significativa (DMS) etc. El paquete
estadístico SPSS ofrece 18 modelos de pruebas de comparación de promedios.
PRUEBA DE COMPARACIÓN DE TUKEY
El procedimiento consiste en calcular un valor teórico común o diferencia mínima

significativa mediante la siguiente fórmula:
q = Nivel de significación de la tabla Tukey, en Ciencias Agrarias se considera 0.05 o 0.01
t = número de tratamientos
r = número de repeticiones
g.l.e = grados de libertad del error
= error estándar de la media
Para el ejemplo la prueba de Tukey es como sigue
t=3 r=4 g.l.e = 12
15
El valor q se encuentra en la tabla de tukey, se busca con el número de tratamientos a = t y
los grados de libertad del error experimental (g.l.e) en este caso 12 y para alfa 0.05
Para realizar las comparaciones múltiples, primero se ordenan las medias de los tratamientos en forma
ascendente o descendente
C A B
31.8 32.4 53.4
Luego, las medias se comparan por diferencia, empezando del lado derecho como sigue:
La primera comparación es entre las medias de los tratamientos B y A
53.4 –32.4 = 21
21 supera al valor de W = 11 por tanto se dice que existe diferencia significativa entre estos
tratamientos A y B.
La segunda comparación es entre las medias o promedios de los tratamientos B y C siendo

el resultado 53.4 – 31.8 = 21.6 la interpretación es similar a la primera comparación.
La tercera comparación es entre los tratamientos A y C, 32.4 – 31.8 = 0.6 este valor no
supera al valor de W = 11, entonces se dice que la diferencia de medias de tratamientos no
son significativos. Estos valores no significativos iguales se pueden unir con una barra
C A B
31.8 32.4 53.4
3.2 ANÁLISIS DE VARIANZA CON DIFERENTE NÚMERO DE REPETICIONES POR

TRATAMIENTO
En los experimentos a veces se presentan casos en los que dos o más muestras o
tratamientos tienen diferente número de repeticiones. La metodología de análisis con
16
diferente número de repeticiones es la misma que para el ANVA en diseño con igual número
de repeticiones, con ligeras modificaciones en las fórmulas.
Ejemplo: Si en el experimento de secado de las probetas de madera de 04 especies se

hubiera perdido datos como muestra el siguiente cuadro 3
Cuadro 04. Peso seco de probetas de o4 especies maderables
Repetición (n) A B C D
1 40 18 29 23
2 36 15 25 30
3 38 18 27 28
4 37 19 24 28
5 29 16 27 24
6 37 20 33 34
7 36 27 28 20
8 35 19 24 18
9 31 25 24
10 26 20 28
11 30 21 22
12 28 21
Total 403 152 283 300
Media 33.58 19 25.73 25
El número de repeticiones para los tratamientos: A = 12, B = 8, C = 11 D = 12
Para utilizar las fórmulas de ANVA del ejemplo anterior se da valores a:
n1 = 12 n2 = 8 n 3= 11 n4 = 12
17
Cuadro 05. Análisis de varianza tendrá la siguiente estructura.
F de V S.C g.l C. M Fc F
Tratamientos t-1
Error
Total
Hallar el Factor de Corrección (F.C)
Suma Cuadrado Total (S.C.T)
Suma Cuadrado Tratamientos
Suma Cuadrado Error (S.C.E) Por diferencia
Cuadrado Medio Tratamientos (C.M.Tr)
18
Cuadrado Medio Error (C:M:E)
F calculado
Cuadro 06. Análisis de varianza de peso seco (g) de probetas de 4 especies maderables
Fuentes de Suma de Grados de Cuadrado

variación Cuadrados Libertad Medio F. C Fα 0.05
Tratamientos 1292.167 3 361.866 20.42 2.76 *
Error 773.833 39 17.72
Total 2066.000 42
NOTA: Se rechaza la hipótesis planteada de que las medias de peso seco de las probetas son iguales
COMPARACIÓN MÚLTIPLE DE TUKEY
Como en el ejemplo anterior
NOTA: En la tabla Tukey no existe el valor para 39 grados de libertad, pero se puede optar por el
valor más próximo en este caso el número más próximo es 40,
Ordenando los promedios de los tratamientos
Tratamientos B D C A
Promedios 19 25 25.73 33.58
19
Primera comparación
7.85 > 4.71 * (Existe diferencia significativa) se pone un asterisco
Segunda comparación
0.73 < 5.85 NS. (No hay diferencia significativa) se designa como NS
Tercera comparación
6  5.15 en consecuencia existe diferencia significativa
Una de las formas de representar los tratamientos no significativos es uniendo con una línea
horizontal los promedios de tratamientos no significativos como sigue:
Tratamientos B D C A
Promedios 19 25 25.73 33.58
________________
El software SPSS presenta la prueba de comparación de Tukey como sigue.
Prueba de comparación de medias de peso seco de probetas
De 04 especies maderables
HSD de Tukey
Tratamientos N Subconjunto para alfa = .05
20
2 3 1
B 8 19,0000
D 12 25,0000
C 11 25,7273
A 12 33,5833
Sig. 1,000 ,979 1,000
Se muestran las medias para los grupos en los subconjuntos homogéneos.
a Usa el tamaño muestral de la media armónica = 10,455.
b Los tamaños de los grupos no son iguales. Se utilizará la media armónica de los tamaños de los grupos. Los
niveles de error de tipo I no están garantizados.
No existe diferencia significativa entre los tratamientos C y D. Finalmente el tratamiento B es

significativamente menor que los otros tratamientos.
21
DISEÑO EN BLOQUES COMPLETOS ALEATORIZADOS (DBCA)
Como su nombre lo indica, esta clase de diseños experimentales se caracterizan porque

todos los tratamientos aparecen representados una vez en cada uno de los bloques. Los
tratamientos se asignan al azar sobre las unidades experimentales, sorteando los
tratamientos independientemente, cada bloque
Las unidades experimentales deben ser homogéneas dentro de cada bloque, salvo por
variaciones aleatorias. Dos unidades experimentales de bloques diferentes pueden exhibir
heterogeneidad, siendo de hecho el propósito de los bloques, absorber en máximo grado la
variabilidad del material experimental. En la práctica forestal los bloques se colocan
perpendicularmente al gradiente de fertilidad del suelo.
También se dice clasificación a dos criterios, entonces, es aquel modelo en cuyas unidades
experimentales existe una variable que puede modificar los efectos a generarse con los
tratamientos y afectar los resultados. La diferencia entre las unidades experimentales debe
eliminarse con el fin de que, como en el caso del Diseño Completamente al Azar, (DCA),
cada unidad experimental reciba un solo tratamientos.
Para el efecto es necesario formar bloques o grupos de unidades experimentales

(individuos) que presenten características similares entre si aún cuando las características
del primer bloque no sean las mismas del segundo. Se conforman entonces bloques
homogéneos cada uno integrado por igual número de unidades experimentales donde se
aplicarán los tratamientos.
Al interior de cada bloque la asignación de los tratamientos es hecha al azar, con el mismo
objetivo que la clasificación a un solo criterio: buscar una prueba para la hipótesis, de
igualdad de efectos de los tratamientos. El rechazo de la hipótesis conduce a especificar
cuál de los tratamientos es mejor al haberse eliminado con la formación de bloques, una
variable en la cuál no hay interés. Para comprender el significado del Diseño Bloques
Completos Aleatorizado, es necesario la información de los siguientes conceptos:
BLOQUES ALEATORIOS
Los bloques de unidades con frecuencia constituyen una muestra aleatoria de los bloques
disponibles para el investigador. Los sitios usados como bloques en estudios ecológicos,
forestales o de vida silvestre pueden ser muestras aleatorias de muchos sitios disponibles
para el estudio, es posible establecer parcelas en cada uno de los sitios para el tratamiento.
Los lotes de material fabricado (producto químico) usados como bloque de tratamientos
22
experimentales son lotes aleatorios, el lote se divide en unidades experimentales más
pequeñas a las que se administra el tratamiento. En experimentos sobre el terreno,
usualmente cada bloque consiste en un grupo de compacto de parcelas aproximadamente
cuadradas. De igual manera, en experimentos con animales, los animales se colocan en
grupos de resultados o bloques con base en características tales como el peso inicia
condición del animal, raza sexo, edad, o como etapa de lactancia y producción de lecha en
el ganado, y como camadas en cerdos.
ALEATORIZACIÓN
Cuando se han asignado las unidades experimentales a los bloques, se numeran en cierto
orden conveniente. Los tratamientos también se numeran y luego se asignan aleatoriamente
(al azar) los tratamientos a las unidades dentro de cada bloque. Una nueva aleatorización se
efectúa en cada bloque.
Por, ejemplo si tenemos seis tratamientos (A, B, C, D, E, F ) y queremos disponer estos

tratamientos en cuatro bloques, el procedimiento más sencillo es numerar boletas de A al F,
luego éstas se colocan en una caja, después de remover bien se saca de la caja las boletas
de uno en uno hasta la última boleta. Una de las formas del resultado del sorteo o
aleatorización puede ser A, C, B, D, F, E. Estos tratamientos sorteados se distribuyen en
cualquiera de los bloques, el procedimiento es similar para los demás bloques. Como se
observa en el cuadro de distribución que a continuación figura.
Arreglo de las parcelas experimentales para instalar el experimento de los tratamientos: A, B

C, D, E y F en 4 bloques completos aleatorizado llamado también amarizado
Bloque I Bloque III Bloque II Bloque IV

A C D F
C E A D
B F F A
D B E C
F A C E
E D B B
Esta clase de diseños experimentales se caracterizan porque todos los tratamientos

aparecen representados una vez en cada uno de los bloques. Los tratamientos se asignan
al azar sobre las unidades experimentales, sorteando los tratamientos independientemente,
en cada bloque
Las unidades experimentales (plantas, animales, objetos) deben ser homogéneas dentro de
23
cada bloque, salvo por variaciones aleatorias. Dos unidades experimentales de bloques
diferentes pueden exhibir heterogeneidad, siendo de hecho el propósito de los bloques,
absorber en máximo grado la variabilidad del material experimental. En la práctica forestal
los bloques se colocan perpendicularmente al gradiente de fertilidad del suelo.
También se dice clasificación a dos criterios, entonces, es aquel modelo en cuyas unidades
experimentales existe una variable que puede modificar los efectos a generarse con los
tratamientos y afectar los resultados. La diferencia entre las unidades experimentales debe
eliminarse con el fin de que, como en el caso del Diseño Completamente al Azar, (DCA),
cada unidad experimental reciba un solo tratamientos.
Mediante este diseño se logra que la variación entre bloque pueda eliminarse por medio del
análisis estadístico reduciendo el error experimental y aumentándose la precisión del
ensayo.
Los bloques deben disponerse de manera tal que se absorba una máxima variación entre
bloques, mientras que se procure mantener la variación dentro de bloques a un nivel tan
bajo como sea posible.
Este diseño puede emplearse para la prueba de un número aleatorio de tratamientos, pero
en la práctica surgirán problemas al compás del aumento del tamaño de los bloques junto
con el aumento del número de tratamientos. Aumentando el tamaño de los bloques, la
variación dentro de bloques aumenta también y el objetivo del establecimiento de bloques
no podrá lograrse de manera satisfactoria. En tales casos se podrá optar por la utilización de
un diseño incompleto, o optar por una reducción del número de unidades experimentales.
Método estadístico
i = 1 , 2, ......r, y j = 1, 2, .........t,
Donde:  es la media general, i es el efecto del tratamiento, i representa la desviación

promedio de las unidades en el bloque j a partir de la media general, y ij es el error
experimental
Cuadro de resultados ordenado según bloques y tratamientos de la distribución de un

experimento para probar el efecto de 05 dosis nitrógeno, y un testigo, evaluando la cantidad
de nitrógeno en las hojas de ciertas plantas.
24
TRATAMIENTO BLOQUES
I II III IV TOTAL MEDIA
A 34.98 41.22 36.94 39.97 153.11 38.28
B 40.89 46.69 46.65 41.90 176.13 44.03
C 42.07 49.42 52.68 42.91 187.08 46.77
D 37.18 45.85 40.23 39.20 162.46 40.62
E 37.99 41.99 37.61 40.45 158.04 39.51
F 34.89 50.15 44.57 43.29 172.9 43.23
TOTAL 228 275.32 258.68 247.72 1009.72
MEDIA 38.00 45.89 43.11 41.29
ANÁLISIS DE VARIANZA
1. Factor de corrección (FC)
Teniendo 04 repeticiones o bloques y 06 tratamientos (r =4; t = 6)
2. Suma Cuadro Total (SCTot.)
42986,932-42,480.6033=506.33
3. Suma Cuadrado Tratamientos (S:C:Trat.)
4. Suma Cuadrado Bloques (S.C. Bloq.)
5. Suma
Cuadrado Error (S.C.Error)
25
6. Cuadrado Medio Bloque (C.M.Bloq.)
7. Cuadrado Medio Tratamientos (C.M.Trat.)
8. Cuadrado Medio Error (C.M.Error)
9. F. Calculado (Fc.)
Cuadro de Análisis de Varianza (ANVA)
Fuentes de variación grados Suma de Cuadrado F.c. Fα 0.05

libertad (gl)
(F de V) Cuadrados (SC) Medio (CM)
Bloques r-1
Tratamientos t-1
Error (r-1)(t-1)
Total (r . t)-1
Cuadro de Análisis de Varianza (ANVA) con los resultados del proceso
F de V g.l S.C C.M F.c. Fα 0.05
Bloques 3 197.00 65.67 9.12
Tratamientos 5 201.32 40.26 5.59 2.90
Error 15 108.01 7.20
Total 23 506.33
Interpretación: Prueba de Hipótesis
El estadístico Fc es 5.59 excede al valor crítico de F0.05, 5,15 tabulado igual a 2.90 cuando
esto sucede se rechaza la hipótesis planteada
26
El nivel de significación observado es la probabilidad mayor que F=0.05 (ver tabla) por lo
que en esta etapa de desarrollo de la planta, hay diferencia significativa entre los
tratamientos de nitrógeno y la nitrogenación de las hojas.
El procedimiento consiste en calcular un valor teórico común (W) o diferencia mínima

significativa mediante la siguiente fórmula:
q = Nivel de significación de la tabla Tukey, en Ciencias Agrarias se considera 0.05 o 0.01
t = número de tratamientos, r = número de repeticiones, g.l.e = grados de libertad del error
= error estándar de la media
Para el ejemplo la prueba de Tukey es como sigue
t=6 r=4 g.l.e = 15
El valor de se busca en la tabla de Tukey con 15 grados de libertad y 6

tratamientos, en este caso el valor es 4.60 Multiplicando esta cantidad con 1.34 se tiene
W = ( 4.60 ) 1.34 = 6.16
El valor q se encuentra en la tabla de tukey con el número de tratamientos a = t y los

grados de libertad del error experimental (g.l.e) y para alfa 0.05
El procedimiento de la prueba de Tukey se realizó manualmente en clase, pero se muestra

el proceso ejecutado con software SPSS ver el siguiente cuadro
Subconjunto
TRATAMIENTOS 1 2
A 38.2775
27
E 39.5100
D 40.6150 40.6150
F 43.2250 43.2250
B 44.0325 44.0325
C 46.7700
Significación ,074 ,050
INTERPRETACIÓN
Los efectos de los tratamientos C B F y D son estadísticamente similares pero

significativamente mayor que los tratamientos E y A.
Las diferencias y estadístico muestra el siguiente cuadro de comparación múltiple
28
Comparaciones múltiples de los promedios
Variable dependiente: DATOS
DHS de Tukey
Intervalo de confianza al
Diferencia 95%.
entre Límite
(I) TRAT (J) TRAT medias (I-J) Error típ. Significación Límite inferior superior
A B -5.7550 1.89744 .074 -11.9197 .4097
C -8.4925* 1.89744 .005 -14.6572 -2.3278
D -2.3375 1.89744 .815 -8.5022 3.8272
E -1.2325 1.89744 .985 -7.3972 4.9322
F -4.9475 1.89744 .155 -11.1122 1.2172
B A 5.7550 1.89744 .074 -.4097 11.9197
C -2.7375 1.89744 .702 -8.9022 3.4272
D 3.4175 1.89744 .493 -2.7472 9.5822
E 4.5225 1.89744 .223 -1.6422 10.6872
F .8075 1.89744 .998 -5.3572 6.9722
C A 8.4925* 1.89744 .005 2.3278 14.6572
B 2.7375 1.89744 .702 -3.4272 8.9022
D 6.1550 1.89744 .050 -.0097 12.3197
E 7.2600* 1.89744 .017 1.0953 13.4247
F 3.5450 1.89744 .456 -2.6197 9.7097
D A 2.3375 1.89744 .815 -3.8272 8.5022
B -3.4175 1.89744 .493 -9.5822 2.7472
C -6.1550 1.89744 .050 -12.3197 .0097
E 1.1050 1.89744 .991 -5.0597 7.2697
F -2.6100 1.89744 .740 -8.7747 3.5547
E A 1.2325 1.89744 .985 -4.9322 7.3972
B -4.5225 1.89744 .223 -10.6872 1.6422
C -7.2600* 1.89744 .017 -13.4247 -1.0953
D -1.1050 1.89744 .991 -7.2697 5.0597
F -3.7150 1.89744 .408 -9.8797 2.4497
F A 4.9475 1.89744 .155 -1.2172 11.1122
B -.8075 1.89744 .998 -6.9722 5.3572
C -3.5450 1.89744 .456 -9.7097 2.6197
D 2.6100 1.89744 .740 -3.5547 8.7747
E 3.7150 1.89744 .408 -2.4497 9.8797
Basado en las medias observadas.
*. La diferencia de medias es significativa al nivel .05.
*. Se ha detectado el símbolo .05 donde se esperaba un paréntesis de cierre en el
subcomando TEST.
29
DISEÑO EN CUADRADO LATINO
Cuando los tratamientos se agrupan en bloques homogéneos con dos direcciones,

formando un arreglo en hileras y columnas, con la particularidad de que cada hilera o
columna constituya una repetición completa de los tratamientos, se genera un diseño
experimental que se conoce como cuadrado latino. El número total de tratamientos, t, es
igual al número de hileras o de columnas, y es un entero igual o mayor que 2, siendo el total
de unidades experimentales, un cuadrado perfecto. Este diseño es característico porque un
tratamiento cualquiera aparece representado exactamente una vez en la misma hilera, o en
la misma columna
El Diseño Bloques Completos Aleatorizado, se ha empleado para reducir el error

experimental por eliminación de una fuente de variación, una variable que no interesa en el
experimento. Pero si en vez de una, hay dos fuentes de variación para ser controlados,
entonces un Diseño en Cuadrado Latino (DCL) puede convertirse en el modelo más
adecuado. Consiste en distribuir en dos direcciones perpendiculares un mismo número de
condiciones en las filas y las columnas, para un igual número de tratamientos. Obtenemos
así un cuadrado en el cual se dan las mismas oportunidades para todos los tratamientos,
anulando diferencias gracias a su ubicación y selección al azar.
Este diseño es muy eficaz en los casos en que ocurren variaciones en dos direcciones, pero
al mismo tiempo existen ciertas restricciones con respecto al número de tratamientos
distintos que pueden investigarse, ya que el número de por ejemplo 10 requerirá el
establecimiento de 100 parcelas y un número 4 y por debajo dará un número demasiado
reducido de grados de libertad para permitir una prueba segura de los tratamientos.
Ejemplo Cosecha de grano de una variedad de trigo para cinco tasas de siembra en un
diseño cuadrado latino. La etiqueta de tratamiento (A, B, ,C, D, E) aparece en los paréntesis
en seguida del valor de la cosecha Ejemplo de Diseño en Cuadrado Latino con 5
tratamientos (ABCDE) distribuidos al azar
E A C B D
C D B E A
B C D A E
A B E D C
D E A C B
30
Modelo estadístico
Donde: X i j es la observación de la unidad experimental en el i - ésimo renglón y la j-ésima

columna del diseño. Los efectos respectivos de renglón y columna son i y j ;  k es el
efecto del K - ésimo tratamiento, y las eij son errores experimentales independientes
aleatorios con media igual cero (0) y varianza ². Se supone que no hay interacción entre los
tratamientos y las columnas y filas o renglones.
Cuadro del diseño en cuadrado latino con resultados al final del experimento
HILERAS COLUMNAS
1 2 3 4 5 Total Media
1 59.45 (E) 47.28 (A) 54.44 (C) 50.14 (B) 59.45 (D) 270.76 54.152
2 55.16 (C) 60.89 (D) 56.59 (B) 60.17 (E) 48.71 (A) 281.52 56.304
3 44.41 (B) 53.72 (C) 55.87 (D) 47.99 (A) 59.45 (E) 261.44 52.288
4 42.26 (A) 50.14 (B) 55.87 (E) 58.74 (D) 55.87 (C ) 262.88 52.576
5 60.89 (D) 59.45 (E) 49.43 (A) 59.45 (C ) 57.31 (B) 286.53 57.306
Total 262.17 271.48 272.20 276.49 280.79
Media 52.434 54.296 54.44 55.298 56.158 54.53
ORDENANDO TRATAMIENTOS EN COLUMNAS
TRATAMIENTOS
A B C D E
42.26 44.41 55.16 60.89 59.45
47.28 50.14 53.72 60.89 59.45
49.43 56.59 54.44 55.87 55.87
47.99 50.14 59.45 58.74 60.17
48.71 57.31 55.87 59.45 59.45
Total 235.67 258.59 278.64 295.84 294.39

Media 52.43 54.30 54.44 55.30 56.16
31
ANÁLISIS DE VARIANZA EN CUADRADO LATINO
1. Factor de corrección (FC)
Teniendo 05 repeticiones o bloques, 05 filas y 05 tratamientos (r =5; f=5 t = 5)
2. Suma Cuadro Total (SCTot.)
3. Suma Cuadrado Tratamientos (S:C:Trat.)
4. Suma Cuadrado Bloques o columnas(S.C. Bloq.)
5. Suma cuadrado Hileras o Filas (S:C:Hi)
6. Suma Cuadrado Error (S.C.Error)
7. Cuadrado Medio Bloque (C.M.Bloq.)
8. Cuadrado Medio Hilera (C.M.Hi.)
9. Cuadrado Medio Tratamientos (C.M.Trat.)
32
10. Cuadrado Medio Error (C.M.Error)
9. F. Calculado (Fc.)
Cuadro de Análisis de Varianza (ANVA)
Fuentes de grados Suma de Cuadrado F.c. Probabilidad

variación libertad Cuadrados Medio Mayor que F
Bloques 4 38.48 9.62 2.04
Hileras 4 99.20 24.80 5.25
Tratamientos 4 522.30 130.57 27.67 0.000
Error 12 56.63 4.72
Total 24
Prueba de Hipótesis sobre medias de tratamientos
El estadístico Fc para probar la hipótesis nula de que no hay diferencia entre tratamientos
igual a 27.67 que excede al valor crítico de F0.05, 4,12 igual a 3.26 con un nivel de significación
observado de Pr = 0.000 ver la tabla.
Existe diferencia estadística altamente significativa entre tratamientos en estudio, conduce

realizar la prueba de comparación múltiple de Tukey, Ducan, ortogonal. etc. el proceso, es
similar a la prueba de comparación en bloques completos aleatorizados, el resultado
siguiente
33
Peso en kilogramos de materia seca de trigo por unidad
experimental
a,b
DHS de Tukey
Subconjunto
TRATAMIENTOS N 1 2 3
A 5 47.1340
B 5 51.7180
C 5 55.7280 55.7280
E 5 58.8780
D 5 59.1680
Se muestran las medias para los grupos en subconjuntos
homogéneos.
Basado en la suma de cuadrados tipo III
El término error es la Media cuadrática (Error) = 4.719.
a. Usa el tamaño muestral de la media armónica = 5.000
b. Alfa = .05.
INTERPRETACIÓN:
Los tratamientos D, E y C tuvieron una influencia similar en el peso de grano, pero son
significativamente mayor que los tratamientos A y B. El tratamiento A, es significativamente
menor que los otros tratamientos en estudio.
EXPERIMENTOS FACTORIALES
Se llaman Experimentos Factoriales a aquellos experimentos en los que se estudia

simultáneamente dos o más factores, y donde los tratamientos se forman por la combinación
de los diferentes niveles de cada uno de los factores.
Los experimentos factoriales en si no constituyen un diseño experimental si no que ellos

deben ser llevados en cualquiera de los diseños tal como D.C.A ; D.B.C.A; D.C.L.
Los experimentos factoriales se emplean en todos los campos de la investigación, son muy
útiles en investigaciones exploratorias en las que poco se sabe acerca de muchos factores.
VENTAJAS:
1.- Permite estudiar los efectos principales, efectos de interacción de factores, efectos
simples y efectos cruzados.
2.- Todas las unidades experimentales intervienen en la determinación de los efectos

principales y de los efectos de interacción de los factores, por lo que el número de
repeticiones es elevado para estos casos.
34
3.- El número de grados de libertad para el error experimental es alto, comparándolo con
los grados de libertad de los experimentos simples de los mismos factores, lo que
contribuye a disminuir la variancia del error experimental, aumentando por este
motivo la precisión del experimento.
DESVENTAJA
1.- Se requiere un mayor número de unidades experimentales que los experimentos

simples y por lo tanto se tendrá un mayor costo y trabajo en la ejecución del
experimento.
2.- Como en los experimentos factoriales c/u de los niveles de un factor se combinan
con los niveles de los otros factores; a fin de que exista un balance en el análisis
estadístico se tendrá que algunas de las combinaciones no tienen interés práctico,
pero deben incluirse para mantener el balance.
3.- El análisis estadístico es más complicado que en los experimentos simples y la

interpretación de los resultados se hace más difícil a medida que aumenta el número
de factores y niveles por factor en el experimento.
CONCEPTOS GENERALES:
FACTOR
Es un conjunto de tratamientos de una misma clase o característica. Ejemplo: tipos de riego,

dosis de fertilización, variedades de cultivo, manejo de crianzas, etc.
FACTORIAL
Es una combinación de factores para formar tratamientos.
NIVELES DE UN FACTOR. -
Son los diferentes tratamientos que pertenecen a un determinado factor. Se acostumbra

simbolizar algún elemento "i" por la letra minúscula que representa al factor y el valor del
respectivo subíndice.
Ejemplo:
A: Tipos de riego: Secano Goteo Aspersión
Niveles: a0 a1 a2
TIPOS DE FACTORES:
35
1.- Factores Cuantitativos.
2.- Factores Cualitativos.
1.- FACTORES CUANTITATIVOS. -
Son aquellos factores cuyos niveles son cantidades numéricas.
Ejemplo:
Factor A: Dosis de fertilización
Niveles: 10 Kg/Ha (ao), 20Kg/Ha (a1), 30Kg/Ha (a2).
2.- FACTORES CUALITATIVOS
Son aquellos factores cuyos niveles son procedimientos o cualidades.
Ejemplo:
Factor A: Variedades de cultivo
Niveles: Variedad 1, Variedad 2.
Ejemplo de formación de factoriales:
Sea los factores A y B con sus respectivos niveles:
Factor A: a0 a1 a2
Factor B: b0 b1
La combinación de los niveles de los factores será:
a0 a1 a2
b0 b1 b0 b1 b0 b1
a0 b0 a0 b1 a1 b0 a1 b1 a2b0 a2 b1 } tratamientos
Al combinar ambos factores (A y B) se tiene:
3 x 2 = 6 tratamientos para ser evaluados
niveles de A x niveles de B
Si cada tratamiento se aplica a 4 unidades experimentales, se requiere 24 unidades

experimentales, para realizar el experimento:
36
Repeticiones a0 b0 a0 b1 a1 b0 a1 b1 a 1b 0 a2 b1
1
2
3
4
FORMACIÓN DE FACTORIALES:
En la información de factoriales, se debe tener presente lo siguiente:
1.- Que factores deben incluirse.
2.- Que factores son fijos (modelo I) y que factores son al azar (modelo II).
3.- Cuantos niveles se tiene por factor.
4.- Si son factores cuantitativos, cual debe ser el espaciamiento entre los niveles del factor.
Por ejemplo:
0%, 5% y 10% de nitrógeno, significa igual espaciamiento.
TIPOS DE EXPERIMENTOS FACTORIALES:
Los experimentos factoriales para un determinado diseño se diferencian entre si, por el
número de factores y por la cantidad de niveles de estos factores que intervienen en el
experimento.
Para simbolizar se usa la letra del factor:
4A 4B = 4A x 4B  4 x 4  42  Número de niveles ( l6 tratamientos ).
pA x qB dos factores "A y "B", con "p" niveles para "A" y "q" niveles para "B"
® Número de factores.
2A 2B = 2A x 2B  2 x 2  22  Número de niveles de c/factor (4 tratamientos).
 Número de factores.
37
3A 3B = 3A x 3B  3 x 3  32  Número de niveles ( 9 tratamientos ).
 Número de factores.
4A 4B = 4A x 4B  4 x 4  42  Número de niveles ( l6 tratamientos ).
EFECTOS DE LOS EXPERIMENTOS FACTORIALES:
1.- EFECTO PRINCIPAL
Es una medida del cambio en el promedio entre los niveles de un factor, promediado
sobre los diferentes niveles del otro factor. Ejemplo: Dosis de Nitrógeno en las U.E.
2.- EFECTO INTERACCIÓN
Es una medida de cambio que expresa el efecto adicional resultante de la influencia

combinada de dos o más factores.
Ejemplo: Efecto conjunto de nitrógeno y fósforo.
3.- EFECTO SIMPLE
Es una medida de cambio en los promedios de los niveles de un factor, manteniendo

constante, uno de los niveles del otro factor.
Ejemplo: Efecto de nitrógeno ante la presencia de 5% de fósforo.
GRÁFICO DE LA INTERACCIÓN:
La interacción de los factores se representa gráficamente; la tendencia indica el grado de

interacción entre los factores, la cual aumenta a medida que las líneas tiendan a cruzarse.
En los siguientes gráficos se muestran los casos posibles de interacción en dos factores: A
con 3 niveles y B con 2 niveles. En el eje "X" se registra los niveles de A y en el eje "Y" los
promedios de la interacción de "A" y "B". Los puntos son unidos por una línea, para cada
nivel de "B".
Para tener una idea sobre experimentos factoriales (dos variables) supongamos que se
desea determinar los efectos de la temperatura del gas y el ancho del horno sobre el tiempo
requerido para fabricar el carbón.
Decidimos llamar el ancho del horno como factor A con los siguientes niveles
a1 = 10cm
38
a2 = 20cm
a3 = 30cm
Decidimos llamar factor B a la temperatura del gas con los niveles
b1 = 1600 grados Fahrenheit
b2 =1900 grados Fahrenheit
Cuadro 01. Combinación de niveles de los factores A y B
Niveles del factor Niveles del factor B

A
b1 b2
a1 a1b1 a1b2
a2 a2b1 a2b2
a3 a3b1 a3b2
Existen 06 combinaciones, a estas combinaciones se denomina también tratamientos,
cumpliendo el principio de los diseños experimentales cada combinación o tratamiento se
replica 03 veces, la repetición se denomina también bloque.
Hipótesis Nula Ho. Las variaciones del ancho del horno y temperatura no afectan el tiempo
de carbonización
Tabla 01. Resultados del experimento
Factor A Factor B Repetición I Repetición II Repetición III Total
B1 3.5 3 2.7 9.2
a1 B2 2.2 2.3 2.4 6.9
B1 7.1 6.9 7.5 21.5
a2 B2 5.2 4.6 6.8 16.6
B1 10.8 10.6 11 32.4
a3 B2 7.6 7.1 7.3 22
Total 36.4 34.5 37.7 108.6
Ecuación modelo para un experimento de dos factores
Donde: i = 1, 2, . . . .,a, j = 1, 2, . . . . . ,b, y k = 1, 2, . . . . .,r
39
μ es la gran media, α es el efecto en el nivel i ésimo del factor A y en el j ésimo nivel del
factor β y ρ k, es el efecto de la k ésima repetición.
Análisis de varianza del experimento de la tabla 01
1. Hallar el factor de corrección ( FC )
Donde:
FC = Factor de corrección denominado también término de corrección
a = niveles del factor A
b = niveles del factor B
r = número de repeticiones o bloques
2. La suma total de los cuadrados está dada por la ecuación
3. Sumas de los cuadrados de los tratamientos SC.Tra
4. Suma Cuadrado bloques o repeticiones SC.Bloq
Finalmente Suma Cuadrado Error SC.Error se obtiene por sustracción
40
La sub división de la suma de cuadrados de los tratamientos se descompone para los
factores A y B y para la interacción, puede simplificarse construyendo la siguiente tabla
bidireccional, donde las entradas son los totales en la columna derecha de la tabla, dando los datos
originales:
Factor A Factor B temperatura
ancho del horno cm. b1 = 1600 b2 = 1900 Total
a1 9.2 6.9 16.1
a2 21.5 16.6 38.1
a3 32.4 22 54.4
Total 63.1 45.5 108.6
Usando fórmulas análogas a las que usamos para calcular las sumas de los cuadrados para
varios efectos, tenemos ahora para los efectos principales
Suma cuadrado de la interacción AB
Finalmente dividiendo las sumas de cuadrados entre sus grados de libertad y dividiendo los
cuadrados medios apropiados entre el cuadrado medio del error, obtenemos los resultados
que muestra la tabla de análisis de varianza.
41
Cuadro de análisis de varianza de los niveles de los factores
Fuente de Suma de Grados de Cuadrado F, Fα, 0.05

calculado
Variación cuadrados Libertad Medio
Bloques 0.86 2 0.43 1.72 4.10
Efectos Principales
A 123.14 2 61.57 2.46 4.10
B 17.21 1 17.21 68.8 4.96
Interacción A B 5.70 2 2.85 11.4 4.10
Error 2.47 10 0.25
Total 149.38 17
Para el efecto principal del factor A, como Fc = 2.46 no excede a 4.10 se dice que no hay
diferencia estadística significativa, y para el efecto principal del factor B, como Fc = 68.8
excede a 4.96 hay diferencia estadística significativa y la hipótesis nula deben rechazarse.
Para el efecto de interacción, F c = 11.4 excede a 7.56 debemos rechazar la hipótesis nula.
EXPERIMENTOS FACTORIALES GENERALES
Muchos experimentos de investigación toman en cuenta más de dos factores. En esta parte
de la asignatura se presenta el caso donde se tienen a niveles del factor A, b niveles del
factor B y c niveles del factor C, acomodamos en un experimento factorial, en general se
tendrá un total de abc … r observaciones, si existe r repeticiones del experimento
completo.
EJERCICIO DESARROLLADO DE UN DISEÑO DCA CON ARREGLO FACTORIAL ABC
El Factor A con 3 niveles
El factor B con 4 niveles y
El Factor C con 3 niveles
El cálculo de número de tratamientos o combinaciones es (3) ((4) (3) = 36
Número de repeticiones 6 en (depende la precisión del experimento, ser 2,3, 4, 5, 6 etc.)
En total habrá 36 (6) = 216 unidades experimentales, que serán distribuidas en forma
aleatoria en DCA.
42
Tabla 01. Datos hipotéticos para ilustrar el ANVA en un diseño completamente aleatorizado
con arreglo factorial de 3 x 4 x 3
a1 a2 a3
b1 b2 B3 b4 b1 b2 b3 b4 b1 b2 b3 b4
3 10 9 8 24 8 9 3 2 8 9 8
2 10 9 8 29 16 11 3 2 7 5 3
8 10 2 8 27 16 15 8 2 15 7 14
C1
1 6 8 14 14 13 8 5 9 30 9 2
7 8 9 6 18 10 2 16 14 7 6 11
8 1 10 12 3 8 8 4 11 2 2 9
Total 29 45 47 56 115 71 53 39 40 69 38 47
4 12 3 8 22 7 16 2 2 2 7 2
7 10 5 8 28 18 10 6 6 6 5 9
7 9 2 7 27 15 12 7 7 16 1 13
C2
14 5 7 15 34 11 9 5 13 11 8 3
7 9 8 2 19 9 12 12 13 6 6 12
7 6 12 3 3 15 8 4 12 3 2 10
Total 46 51 37 43 133 75 67 36 53 44 29 49
5 10 5 8 23 9 17 3 2 8 6 3
9 10 27 8 28 16 11 7 8 9 8 15
15 7 6 15 30 14 12 5 11 18 3 8
C3
8 6 4 18 16 12 13 15 17 8 7 16
7 17 3 10 17 10 20 9 9 8 6 17
3 2 10 5 3 7 8 6 11 7 3 14
Total 47 52 55 64 117 68 81 45 58 58 33 73
OBSERVACIONES:
1. Los totales de cada combinación o tratamiento aparecen en negrita, es la suma de

las seis repeticiones de la combinación o tratamiento, estas sumas se utilizarán más
adelante para hallar la suma cuadrado de la interacción ABC
2. Para realizar el análisis de varianza (ANVA), se procesa las siguientes tablas, con
sus respectivos sumandos
43
Tabla 02. Es una tabla de a x b x c, muestra los totales de cada combinación o
tratamiento en esta se resume la suma de 6 repeticiones y a la vez se suman los totales
para hallar las sumas de las combinaciones de los niveles del factor A y B
a1 a2 a3
b1 b2 b3 b4 b1 b2 b3 b4 b1 b2 b3 b4
c1 29 45 47 56 115 71 53 39 40 69 38 47
c2 46 51 37 43 133 75 67 36 53 44 29 49
c3 47 52 55 64 117 68 81 45 58 58 33 73
Total 122 148 139 163 365 214 201 120 151 171 100 169
Tabla 03. Tabla a x b formada a partir de los totales de la tabla 02
a1 a2 a3 TOTAL
b1 122 365 151 638
b2 148 214 171 533
b3 139 201 100 440
b4 163 120 169 452
Total 572 900 591 2063
Tabla 04. Tabla a x c formada a partir de los datos de la tabla 01
a1 a2 a3 TOTAL
c1 177 278 194 649
c2 177 311 175 663
c3 218 311 222 751
572 900 391 2063
Si observamos bien la tabla 01, encontramos los valores de las combinaciones de los
niveles de los factores A y C que muestra la siguiente cuadro, los totales de cada
combinación está resumido en la tabla 04
Tabla 05. Tabla b x c formada a partir de los datos de la tabla 01.
b1 b2 b3 b4 Total
c1 184 185 138 142 649
c2 232 170 133 128 663
c3 222 178 169 182 751
44
Total 638 533 440 452 2063
Asimismo cuando observamos la tabla 01, encontramos los valores de las combinaciones de
b x c que muestra el siguiente cuadro. El contenido de la tabla 05, son los totales de las
combinaciones de los niveles del factor B y C
PASOS DEL ANÁLISIS DE VARIANZA
MODELO MATEMÁTICO
Donde:
µ es el efecto promedio global,
i = 1, 2, . . . , a
j = 1, 2, . . . , b
k = 1, 2, . . . , c
l = 1, 2, . . . , r
Cuadro 01. De análisis de varianza de los niveles de los factores
Fuente de Suma de Grados de Cuadrado F, calculado
A a–1
B b–1
C c–1
AB (a-1) (b-1)
AC (a-1) (c-1)
BC (b-1) (c-1)
ABC (a-1)(b-1)(c-1)
Error abc(r-1)
Total abcr – 1
45
1. Hallar El factor de corrección
Cuando ingresamos los 216 datos a la calculadora con estadístico, debemos tener presente
y tomar nota de los valores de las sumas y sumas cuadrados de la variable respuesta en
este caso es X, para el ejemplo estos valores son:
2. Hallar Suma cuadrado total
RECORDAR = calculadora
27981 – 19703.56019 = 8277.4398
3. Hallar suma cuadrado del factor A
4. Hallar suma cuadrado del factor B
46
5. Hallar suma cuadrado del factor C
6. Hallar suma cuadrado interacción AB
7. Hallar suma cuadrado interacción AC
8. Hallar suma cuadrado interacción BC
47
9. Hallar suma cuadrado interacción ABC
10. Hallar suma cuadrado Error
Cuadro 02 De análisis de varianza de los niveles de los factores
Fuente de Suma de Grados de Cuadrado F, calculado F α 0.05 Sig.

tabulado
A 941.787 2 470.894 16.972 1.39 *
B 463.792 3 154.597 5.572 1.37 *
C 84.926 2 42.463 1.530 1.39 *
AB 1507.694 6 251.282 9.057 1.31 *
AC 38.602 4 9.650 0.348 1.35 NS
BC 122.111 6 20.352 0.734 1.31 NS
ABC 124.361 12 10.363 0.374 1.24 NS
Error 4994.167 180 27.745
Total 8277.440 215
El cuadro contiene el resumen del análisis de varianza. Los cocientes Fc para los tres
efectos principales y la interacción se forman al dividir la media cuadrada del efecto de
48
interés por la media de cuadrados de error. Existe diferencia estadística significativa para los
efectos principales del los factores A, B y C y la interacción AB. Igual resultado se logra con
el paquete estadístico SPSS
Análisis de varianza del ejemplocon datos hipotéticos
Variable dependiente: DATOS

Suma de
cuadrados Media
Fuente tipo III gl cuadrática F Significación
Modelo corregido 3283.273a 35 93.808 3.381 .000
Intersección 19703.560 1 19703.560 710.157 .000
A 941.787 2 470.894 16.972 .000
B 463.792 3 154.597 5.572 .001
C 84.926 2 42.463 1.530 .219
A*B 1507.694 6 251.282 9.057 .000
A*C 38.602 4 9.650 .348 .845
B*C 122.111 6 20.352 .734 .623
A*B *C 124.361 12 10.363 .374 .971
Error 4994.167 180 27.745
Total 27981.000 216
Total corregida 8277.440 215
a. R cuadrado = .397 (R cuadrado corregida = .279)
DATOS
a,b
DHS de Tukey
Niveles del factor Subconjunto
A N 1 2
a1 72 7.9444
a3 72 8.2083
a2 72 12.5000
Significación .951 1.000
Se muestran las medias para los grupos en
subconjuntos homogéneos.
Basado en la suma de cuadrados tipo III
El término error es la Media cuadrática (Error) = 27.745.
a. Usa el tamaño muestral de la media armónica =
72.000
b. Alfa = .05.
EXPERIMENTO DE TRES FACTORES ( 2 X 3 X 4 ) EN BLOQUES AL AZAR. AUMENTO DIARIO

PROMEDIO EN CERDOS ALIMENTADOS CON SUPLEMENTOS DE LISINA, METIONINA Y
PROTEÍNA A DIFERENTES PORCENTAJES
49
FACTOR FACTOR FACTOR BLOQUES TRATAMIENTOS
A TOTAL
B C I II
b1 c1 1.11 0.97 2.08
c2 1.52 1.45 2.97
a1 b2 c1 1.09 0.99 2.08
c2 1.27 1.22 2.49
b3 c1 0.85 1.21 2.06
c2 1.67 1.24 2.91
b1 c1 1.30 1.00 2.30
c2 1.55 1.53 3.08
a2 b2 c1 1.03 1.21 2.24
c2 1.24 1.34 2.58
b3 c1 1.12 0.96 2.08
c2 1.76 1.27 3.03
b1 c1 1.22 1.13 2.35
c2 1.38 1.08 2.46
a3 b2 c1 1.34 1.41 2.75
c2 1.40 1.21 2.61
b3 c1 1.34 1.19 2.53
c2 1.46 1.39 2.85
b1 c1 1.19 1.03 2.22
c2 0.80 1.29 2.09
a4 b2 c1 1.36 1.16 2.52
c2 1.42 1.39 2.81
b3 c1 1.46 1.03 2.49
c2 1.62 1.27 2.89
TOTAL 31.50 28.97 60.47
Para este ejemplo los datos provienen un experimento de alimentación en porcinos. Se

analiza el efecto de tres factores principales A, B y C; tres interacciones de dos factores,
AB, AC y BC y una interacción ABC de tres factores.
El factor A es la dosis de LISINA los niveles son: a1 = 00 a2 = 0.05 a3 = 0.10 a4 = 0.15
El factor B es la dosis de METIONINA los niveles son b1 = 00 b2 = 0.025 b3 = 0.050
50
El factor C es la dosis de PROTEÍNA con los niveles c1 = 12 c2 = 24
El experimento se condicionó en DBCA, con dos repeticiones por cada combinación de los
niveles de cada factor se denomina también tratamiento.
En total hay 24 tratamientos, con dos repeticiones suman 48 unidades experimentales.
Antes de realizar el análisis de varianza se debe resumir los totales de las combinaciones de
los niveles de los factores ABC como aparece en las siguientes tablas
TABLA A DE RESUMEN
NIVELES DEL NIVELES DEL FACTOR A TOTAL

FACTOR B
a1 a2 a3 a4
b1 5.05 5.38 4.81 4.31 19.55
b2 4.57 4.82 5.36 5.33 20.08
b3 4.97 5.11 5.38 5.38 20.84
Total 14.59 15.31 15.55 15.02 60.47
El resultado 5.05 es la suma de los resultados del tratamiento de a1b1 repetido dos veces, o
sea la suma de 1.11 + 0.97 + 1.52 + 1.45 = 5.05. Se logra el mismo resultado sumando el
total de las repeticiones del tratamiento. 2.08 + 2.97 = 5.05, para el resto de las casillas es
igual el procedimiento, solo debe tener en cuenta la combinación de los niveles.
TABLA RESUMEN B
NIVELES DEL FACTOR B NIVELES DEL FACTOR C (PROTEÍNA) TOTAL

(METIONINA)
c1 c2
b1 8.95 10.60 19.55
b2 9.59 10.49 20.08
b3 9.16 11.68 20.84
Total 27.70 32.77 60.47
El resultado 8.95 es la suma de resultados del tratamiento b1c1 repetido dos veces de
acuerdo al diseño, mejor dicho es 1.11 + 0.97 + 1.30 + 1.00 + 1.22 + 1.13 + 1.19 + 1.03 =
8.95.
El mismo resultado se logra sumando los totales de las repeticiones del tratamiento b1c1,
esto es 2.08 + 2.30 + 2.35 + 2.22 = 8.95, para las otras casillas es similar el procedimiento
51
TABLA C DE RESUMEN
NIVELES DEL NIVELES DEL FACTOR A TOTAL

FACTOR C
a1 a2 a3 a4
c1 6.22 6.62 7.63 7.23 27.70
c2 8.37 8.69 7.92 7.79 32.77
Total 14.59 15.31 15.55 15.02 60.47
El resultado 6.22 es la suma de los resultados del tratamiento a1c1 repetido dos veces en el
experimento, representando sus sumando es como sigue: 1.11 + 0.97 + 1.09 + 0.99 + 0.85 +
1.21 = 6.22.
También se logra el mismo resultado sumando los totales de las repeticiones que aparecen
en la última columna de la tabla de resultados como sigue.2.08 + 2.08 + 2.06 = 6.22
ANÁLISIS DE VARIANZA MÉTODO PRÁCTICO con calculadora
SUMATORIAS DE CALCULADORA
1. FACTOR DE CORRECCIÓN
2. SUMA CUADRADO TOTAL
3. SUMA CUADRADO TRATAMIENTOS
4. SUMA CUADRADO BLOQUES O REPETICIONES
52
5. SUMA CUADRADO ERROR
Las entradas en la tabla son sumas de dos niveles de proteína; 5.05 = 2.08 + 2.97, etc.
6.
7.
8.
9.
10.
11.
12.
ANÁLISIS DE VARIANZA DE UN EXPERIMENTO DE TRES FACTORES CON

PORCINOS. DISEÑO BLOQUES ALEATORIOS
Fuentes de Suma de Grados de Cuadrado Fc F tab 0.05

variación cuadrados libertad medio
Bloque 0.1334 1 0.1334 4.85 4.28
A 0.0427 3 0.0142 0.52 3.03
53
B 0.0526 2 0.0263 0.96 3.42
C 0.5355 1 0.5355 19.47** 4.28
AB 0.2543 6 0.0424 1.54 2.53
AC 0.2399 3 0.0800 2.10 3.03
BC 0.0821 2 0.0410 1.49 3.42
ABC 0.0685 6 0.0114 0.41 2.53
Error 0.6319 23 0.0275
TOTAL 2.04089 47
La suma cuadrado medio del bloque, de los factores e interacciones se logra dividiendo las
sumas de cuadrados de cada uno de ellos entre su grado de libertad, por ejemplo, el
cuadrado medio del factor A es 0.0427/3= 0.0142
Asimismo el Fc, es la división de cada uno de los cuadrados medios entre el cuadrado
medio del error, Fc para bloques es igual 0.12334/0.0275 = 4.85
Ninguna de las comparaciones es significativa, excepto el factor C. no se realiza la prueba

de comparación múltiple porque sólo son dos datos, el mejor es el que tiene mayor valor en
este caso.
ANÁLISIS DE VARIANZA EN DISEÑO PARCELAS DIVIDIDAS
Los diseños de parcelas divididas y una variación de estos, denominados bloques divididos
se usan frecuentemente en experimentos factoriales, en los que la naturaleza del material
experimental o las operaciones observadas dificultan el manejo de todas las combinaciones
de factores en una misma forma. El diseño involucra la asignación de tratamientos de un
factor a parcelas principales dispuestas en un diseño completamente aleatorio, de bloques
completos aleatorizados o de cuadrado latino. Los tratamientos del segundo factor se
asignan a subparcelas dentro de cada parcela principal. El proyecto suele sacrificar la
precisión en la estimación de los efectos promedio de los tratamientos asignados a las
parcelas principales, aunque frecuentemente aumenta la precisión para comparar los
efectos promedio de los tratamientos asignados a subparcelas; y cuando existen
interacciones, para comparar los efectos de tratamientos de subparcelas en un tratamiento
de una parcela principal dada. Esto proviene del hecho de que el error experimental para las
parcelas principales suele ser mayor que el error experimental utilizado para comparar
54
tratamientos de subparcelas. El término de error para tratamientos de subparcelas es inferior
al que se obtendría si todas las combinaciones de tratamientos fuesen dispuestas en un
diseño de bloques completos al azar (LITTLE 1965) se utiliza en los siguientes casos:
1. Cuando los tratamientos están relacionados con los niveles de uno o más factores y
necesitan mayores cantidades de material experimental en una unidad experimental que
los tratamientos de otros factores. Esto sucede en los experimentos sobre el campo,
laboratorio, industrial o social. Por ejemplo en un experimento sobre el campo uno de los
factores puede ser el método de preparación de suelo o aplicación de un fertilizante,
factores que necesitan, por lo general parcelas o unidades experimentales grandes. El
otro factor puede ser variedades, las cuales se pueden comparar usando parcelas más
pequeñas. Otro ejemplo es el experimento diseñado para comparar las cualidades de
conservación de la crema de helado hecha a partir de diferentes fórmulas y almacenada
a diferentes temperaturas.
2. El diseño puede usarse si va a incorporarse en un experimento un factor adicional para

aumentar su alcance. Por ejemplo supongamos que el objetivo principal de un
experimento es comparar los efectos de varios fungicidas como protectores contra la
infección por una enfermedad. Para aumentar el alcance de un experimento, se incluyen
en varias variedades de plantas de las cuales se sabe que difieren en su resistencia a la
enfermedad. Aquí las variedades se podrían organizar en unidades completas y los
protectores de semillas en subunidades.
3. A partir de la información anterior, se puede saber que pueden esperarse diferencias

mayores entre los niveles de ciertos factores que entre los niveles de otro en este caso
las combinaciones de los tratamientos para los factores donde se esperan diferencias
grandes pueden asignarse aleatoriamente a las unidades completas, simplemente por
comodidad.
4. El diseño se usa cuando se desea mayor precisión para comparaciones entre ciertos
factores, que para otras.
DISTRIBUCIÓN DE TRATAMIENTOS EN PARCELAS DIVIDIDAS USANDO UN DISEÑO EN

BLOQUES COMPLETOS AL AZAR.
Denominamos bloques a las repeticiones r
Sea a el número de niveles del factor A denominado parcelas mayores (unidades)
Sea b el número de niveles del factor B denominado parcelas menores (subunidades)
55
Supongamos que r = 3, a=4 b= 2
Entonces una de las formas de distribución es como sigue:
Bloque I Bloque II Bloque III
a4b2 a1b2 a2b1 a3b2 a3b1 a4b2 a2b2 a1b1 a2b1 a3b1 a1b2 a4b1
Cada bloque está dividido en 4 parcelas mayores denominadas unidades completas en

estas se distribuyeron los niveles del factor A. Cada parcela grande fue dividida en dos
parcelas menores denominadas subunidades en estas se distribuyeron los niveles de B.
Las unidades completas constituyen un grupo de r (a) = 12 unidades. Los 11 grados de

libertad entre unidades completas se particionan en 2 grados de libertad para bloques, 3
grados de libertad para el efecto principal de A y 6 grados de libertad para un error
experimental para las comparaciones de las unidades completas.
Dentro de cada unidad completa hay 1 grado de libertad asociado con la variación entre las
subunidades dentro de una unidad completa y lo que da un total de 12 grados de libertad
dentro de unidades completas. Estos 12 grados de libertad están particionados en 1 grado
de libertad para el efecto principal de B, 3 grados de libertad para la interacción de AB y 8
grados de libertad para un error experimental para las comparaciones entre subunidades.
Ejemplo: En un experimento se compararon los rendimientos de 4 lotes de avena para tres

tratamientos químicos de las semillas y un control sin tratamiento.
Factor A lotes de semillas de avena a1 = infectado, a2 = no infectado,
a3 = avena Clinton a4 = avena Branch
Factor B protectores de las semillas b1 = control b2 = Ceresan b3 = Panogen b4 = Agrox
Se asignaron aleatoriamente a las subparcelas dentro de cada parcela completa. El diseño

de parcelas completas es en un diseño en bloques completos al azar de 04 bloques. Los
rendimientos en quintales por hectárea presentan los siguientes bloques
56
Bloque I Bloque II Bloque III
a4b2 a1b4 a2b3 a3b2 a3b4 a4b1 a2b2 a1b1 a2b4 a34 a1b3 a4b3
Bloque IV
a1b1 a3b2 a2b2 a4b2
a1b3 a3b4 a2b1 a4b3
a1b2 a3b1 a2b3 a4b4
a1b4 a3b3 a2b4 a4b1
Rendimiento de avena quintales por hectárea
Factor Niveles del factor B Total

A bloques b1 b2 b3 b4
1 42.9 53.8 49.5 44.4 190.6

2 41.6 58.5 53.8 41.8 195.7
a1
3 28.9 43.9 40.7 28.3 141.8
4 30.8 46.3 39.4 34.7 151.2
Total 144.2 202.5 183.4 149.2 679.3
1 53.3 57.6 59.8 64.1 234.8

2 69.6 69.6 65.8 57.4 262.4
a2
3 45.4 42.4 41.4 44.1 173.3
4 35.1 51.9 45.4 51.6 184
Total 203.4 221.5 212.4 217.2 854.5
1 62.3 63.4 64.5 63.6 253.8

2 58.5 50.4 46.1 56.1 211.1
a3
3 44.6 45 62.6 52.7 204.9
4 50.3 46.7 50.3 51.8 199.1
Total 215.7 205.5 223.5 224.2 868.9
1 75.4 70.3 68.8 71.6 286.1

2 65.6 67.3 65.3 69.4 267.6
a4
3 54 57.6 45.6 56.6 213.8
4 52.7 58.5 51 47.4 209.6
Total 247.7 253.7 230.7 245 977.1
57
Cuadro de análisis de varianza para los datos del ejemplo avenas

Bloque r -1
A a–1
Error (a) (a – 1) (r – 1)
B b–1
AB (a-1) (b-1)
Error (b) a(r-1) (b-1)
Total a b r-1
PASOS DE ANÁLISIS DE VARIANZA (calculadora)
1. Factor de corrección
2. Suma cuadrado Total
3. Suma cuadrado unidades completas (parcelas grandes)
4. Suma cuadrado bloques
5. Suma cuadrado del factor A
6. Suma cuadrado Error (a)
58
7.
8. Suma cuadrado de interacción AB
9.
Cuadro de análisis de varianza para los datos del ejemplo avenas

Bloque 2842.87 3 947.62 13.79
A 2848.02 3 949.34 13.82
Error (a) 618.30 9 68.70
B 170.53 3 56.84 2.80
AB 586.47 9 65.15 3.21
Error (b) 731.20 36 20.31
Total 7797.39 63
En este cuadro de análisis se dan dos coeficientes de variación.
Para parcelas completas el coeficiente de variación (CV ) se define como.
59
Este proceso omite la división en subparcelas y hacer sólo el análisis de parcelas completas
El coeficiente de variación (CV) parcelas menores es
Como la interacción es significante, las diferencias en las respuestas entre los lotes de
semillas varían para los tratamientos de las semillas en una forma que el azar y la hipótesis
nula no puede explicar fácilmente; es importante examinar los efectos simples. Los efectos
simples de mayor interés están entre los cuatro tratamientos de semillas dentro de cada lote
de semillas.
Ejemplo 02
Supongamos que se ensayan tres distancias de plantación 2m, 3m, y 4m para estudiar el
crecimiento de 4 especies forestales (A, B, C, D). Ya que no es fácil ni práctico para la
maquinaria delinear parcelas chicas con pequeñas distancias entre plantas, este factor
(distanciamiento entre plantas) colocamos sobre parcelas grandes, estas parcelas grandes
subdividimos en 4 subparcelas cada una, para plantar las especies forestales (factor B)
sobre estas parcelas chicas. Después de la aleatorización en uno de los bloques la figura de
la distribución queda como sigue.
BLOQUE III BLOQUE IV
B C A B C A
D A C D B C
A B B A A D
C D D C D B
4m 3m 2m 2m 3m 4m
C D B D B A
D B C B C C
60
A A D A D B
B C A C A D
2m 4m 3m 3m 2m 4m
Si se observa que cualquier parcelas grande de un diseño de bloques completos al azar en

parcelas divididas; puede concluirse de inmediato que los efectos del factor en las
subparcelas dentro de las parcelas grandes (tratamientos) están completamente
confundidos con los efectos del factor en las subparcelas (subtratamientos). Así los efectos
de los tratamientos no son directamente estimables a partir de contrastes entre subparcelas
dentro de parcelas grandes, de hecho estos contrastes producen estimaciones de los
efectos principales de los subtratamientos.
Los efectos del factor en las parcelas grandes se estiman contrastando los totales de
parcelas grandes. Por esta característica de los diseños en parcelas divididas, es común
decir que estos arreglos conducen a la confusión de algunos efectos principales.
ANÁLISIS DE LOS DISEÑOS EN PARCELAS DIVIDIDAS
Modelo lineal
, es el valor de la característica de estudio
Donde , es un efecto general, efecto del bloque completo, el efecto del tratamiento j
sobre la parcela grande ( ij ), el elemento aleatorio de error sobre la parcela grande (ij)
el efecto del subtratamiento k dentro de la parcela grande (ij) la interacción entre el
tratamiento j y el subtratamiento k, el error sobre las parcelas chicas (ijk)
ANÁLISIS DE VARIANZA
El análisis abarca dos partes a) hacer el análisis de varianza de las parcelas grandes y b)
hacer el análisis de las subparcelas o parcelas chicas
Ejemplo. Un experimento desarrollado en campo para investigar la acción del compuesto

(residuo orgánico de origen vegetal) y cal sobre el rendimiento de la caña de azúcar, se
utilizó el diseño en parcelas divididas practicándose los siguientes tratamientos.
61
Parcelas grandes C = compuesto 20ton/ha, S = Sin compuesto i= 1 .... p
Parcelas chicas 1 = testigo, 2 = cal 1 ton/ ha, 3 = 2 ton/ha y 4 = 3 ton/ha j = 1 . . . . .q
La distribución de las parcelas en campo y el rendimiento de la planta en kilogramos de

caña por cada parcela de 100m2 presentan los siguientes bloques:
Crecimiento de plantas ordenado según bloques tratamientos y subtratamientos
Para realizar el análisis estadístico de los datos decrecimiento se procede como se indica
Subtratamiento BLOQUE I BLOQUE II BLOQUE III BLOQUE IV TOTAL TOTAL SUMA
S C S C S C S C S C
1 767 920 764 989 741 901 584 817 2856 3627 6483
2 690 898 889 948 833 1058 574 874 2986 3778 6764
3 857 960 721 848 931 993 758 918 3267 3719 6986
4 1055 877 994 1020 701 811 994 771 3744 3479 7223
SUMA 3369 3655 3368 3805 3206 3763 2910 3380 12853 14603 27456
Bloques B1 = 7024 B2= 7173 B3= 6969 B4= 6290 G = 27456
Para el presente experimento
62
Repeticiones o bloques
Abono vegetal o parcelas grandes
sub tratamiento o parcelas chicas
1. Cálculo del factor de corrección, FC utilizando calculadora
2. Cálculo de la suma de cuadrados total, SC.Tot.
3. Cálculo de la suma de cuadrados debida a bloques, SC.Bloq.
4. Cálculo de la suma de cuadrados debida a tratamientos, SC. Trat o parcelas

grandes
63
5. Cálculo de la suma de cuadrados debida a los subtratamientos, SC.SubTrat o
parcelas chicas.
6. Cálculo de la suma de cuadrados debida a la interacción tratamientos por

subtratamientos, SCTS:
Análisis de varianza del experimento de compuesto (residuos orgánicos ) y cal
Fuentes de variación Grados de Sumas de Cuadrados F

libertad cuadrados medios
Calculada
Bloques r -1 = 3
Tratamientos t-1 = 1
Error (1) (t-1)(r-1) = 3
Subtotal 3 +1 + 3 = 7
Subtratamientos *** (q-1) = 3
T*S (p-1)(q-1) = 3
Error (2) p(r-1)(q-1) = 18
Total (r p q-1) = 23
64
Fuentes de variación Grados de Sumas de Cuadrados F
libertad cuadrados medios
Calculada
Bloques 3 57 698 19 233 12.06*
Tratamientos 1 95 703 95 703 60.00*
Error (1) 3 4 786 1 595
Subtratamientos 3 37 366 12 455 1.08
T*S 3 91 326 30 442 2.64
Error (2) 18 207 221 11 512
Total 31 494 100
* Significancia al 5%
** Significancia al 1 %
Según el análisis de varianza se concluye que los efectos de tratamientos sobre el

crecimiento de la especie son significativamente diferentes.
En promedio se tienen los siguientes resultados:
Tratamiento Crecimiento de la planta
Sin compuesto 79.69
Compuesto 90.54
Se concluye que el compuesto, aplicado a razón de 20 ton/ha, incrementa el crecimiento de la planta

en 10.85 ton/ha.
ANÁLISIS DE COVARIANZA
El análisis de covarianza es una técnica que combina los aspectos de análisis de varianza y
de regresión; covarianza significa variación simultánea de dos variables correlacionadas.
Usos:
1. Aumenta la precisión en experimentos aleatorios. En estas aplicaciones la covariante X

es una medición, tomada en cada unidad experimental antes de aplicar los tratamientos
y que predice hasta cierto grado la respuesta final Y sobre la unidad.
2. Ajusta las fuentes de prejuicio en estudios de observación
65
3. Aclara la naturaleza de los efectos de tratamientos en experimentos aleatorios
4. Estudia las regresiones en clasificaciones múltiples.
Para mayor detalle consulte con Bioestadística Principios y Procedimientos ( Steel & Torrie)
El análisis consiste en separar las diversas causas de variación de cada variable y de la

variación conjunta. Fundamentalmente, se dan los siguientes pasos:
1. Análisis de varianza para la variable X
2. Análisis de varianza para la variable Y
3. Cálculo de b y x
4. Obtención de la variable de regresión y ajustes de los promedios de la variable

dependiente Y.
Cuando se aplica para corregir por un diferente número de plantas, el ajuste se hace si
como si todas las unidades experimentales contaran con igual número. La técnica también
se puede aplicar en aquellos experimentos agropecuarios en que los animales tienen un
peso inicial diferente, siendo la variable independiente X dicho peso inicial y la ganancia en
peso, después de aplicar los tratamientos, la variable dependiente Y.
ANÁLISIS DE COVARIANZA PARA UNA DISTRIBUCIÓN EN BLOQUES AL AZAR
X = número de plantas Y = producción de grano en kg por unidad experimental
I = 1. . . . . . a tratamientos
J = 1. . . . . . n repeticiones
Ejemplo:
Se realizó un experimento en el que se evaluó el efecto del tiempo de cosecha sobre el

rendimiento de grano de maíz y la producción de forraje.
Se diseñó un experimento con siete tratamientos usando una distribución en bloques al azar
con seis repeticiones. Los tratamientos fueron 30, 65, 40, 45, 50, 55 y 60 días después de
ocurrida la polinización. El número de plantas por parcela útil fue de 52; las parcelas fueron
de dos surcos de 5m de largo y espaciados 90cm, teniendo una población equivalente a
56524 plantas por hectárea. Al cosechar el maíz, el número de plantas, por tratamiento y por
repetición, fue diferente. Los valores se presentan en la tabla 01.
Tratamientos = a
Repeticiones = n
66
Cuadro 01. Rendimiento de grano seco (Kg/parcela útil) y número de plantas de maíz
variedad Cusco, cosechadas a diferentes fechas después de la

polinización.
Días de BLOQUES TOTALES

tratamiento
I II III IV V VI
X Y X Y X Y X Y X Y X Y Xi. Yi.
30 41 4.08 24 2.78 31 2.79 46 4.24 32 4.17 38 2.62 212 20.68
35 40 4.26 36 4.23 44 5.60 48 6.36 47 4.33 47 4.03 262 28.81
40 37 4.72 32 4.92 38 4.50 41 5.62 42 5.15 40 4.32 230 29.23
45 32 4.25 38 4.53 40 4.83 40 4.30 51 5.43 46 4.52 247 27.86
50 37 4.00 34 5.05 47 5.54 41 6.46 50 6.65 39 5.70 248 33.40
55 42 6.16 38 5.00 34 4.61 40 5.41 42 5.13 49 5.86 245 32.17
60 35 4.59 22 3.63 44 6.20 35 5.47 40 5.16 40 6.07 216 31.12
Xj; Yj 264 32.06 224 30.14 278 34.07 291 37.86 304 36.02 299 33.12 1660 203.27
Continuación del cuadro 01
35,333 3,447 3,810
43,667 4,802 4,450
38,333 4,872 4,970
41,167 4,643 4,510
41,333 5,567 5,410
40,833 5,362 5,250
36,000 5,187 5,490
276,666 33,880 33,890
X = número de plantas
Y = producción de grano en kilogramos por unidad experimental
67
Procedimiento para calcular la suma cuadrado (S.C) para la variable X
1. Cálculo del factor de corrección
2. Cálculo de la suma cuadrado total
3. Cálculo de suma cuadrado bloques
Cálculo de suma cuadrado tratamientos
4. Cálculo de suma cuadrado error
Procedimiento para calcular la SC para la variable Y
1.
2.
3.
68
4.
5.
Procedimiento para calcular la suma de productos
1.
2.
3.
4.
5.
Cálculo del coeficiente de regresión
69
Prueba F para el número de plantas X, el rendimiento de grano Y y la covarianza
Tabla 01. Análisis de varianza. Cuadrados medios
Número de planta X Rendimiento Y

Causas g.l.
CM = Cuadrado Medio CM = Cuadrado Medio
Tratamientos 6 =(n-1) 337.47 / 6 = 56.245* 17.40 / 6 = 2.90**
Error 30 =(a-1)(n-1) 684.24 / 30 = 22.80 15.28 / 30 = 0.50
C.V. 12.07% 14.75%
NOTA: El cuadrado medio del error del número de plantas 22.80 es varianza común de la variable
número de plantas, si sacamos la raíz cuadrada de esta cantidad es 4.77 esta es la desviación
estándar de la variable X,
El promedio general de la variable X, es igual
El coeficiente de variación se halla de la siguiente manera
La fórmula del coeficiente de variación es la siguiente
Reemplazando valores se tiene
El coeficiente de variación para la variable Y se halla de la misma manera
La desviación estándar de la variable Y es la raíz cuadrada del cuadrado medio de la
variable Y , la media general de Y es
Tabla 02. Análisis de covarianza
Valores ajustados
Causas
Total 41 1648.48 141.33 38.17

Bloques 5 626.76 45.77 5.50
70
Tratamientos 6 337.47 36.78 17.39
Error 30 684.24 58.78 15.27 29 10.221 0.352
Tratamiento+error 36 1021.71 95.56 32.66 35 23.722
Tratamientos ajustados 6 13.501 2.25**
Ajuste de los promedios de los tratamientos mediante el uso de la fórmula
El ajuste siempre es ventajoso, aún cuando la prueba de F para la variable X no sea

significativa.
Tabla 03. Ajuste de promedios de los tratamientos
NÚMERO DE DESVIACIÓN AJUSTADO OBSERVADO AJUSTADO

PLANTAS
TRATAMIENTO
71
30 35.66 -4.19 +0.36 3.45 3.81
35 43.67 4.15 -0.36 4.81 4.45
40 38.33 -1.19 +0.10 4.87 4.97
45 41.17 1.65 -0.14 4.65 4.51
50 41.33 1.81 -0.16 5.57 5.41
55 40.83 1.31 -0.11 5.36 5.25
60 36.00 -3.52 +0.30 5.19 5.49
39.52
- La suma de las desviaciones debe ser cero ( 0 ).
- La suma de debe ser 0
- La suma de promedios observados experimentalmente también debe ser igual a la

suma de los promedios ajustados.
- En la tabla anterior, los valores son casi iguales y las

diferencias se deben a las aproximaciones de los decimales.
Tratamiento Ajustado Observado Ajustado
Número de
Desviación
plantas
30 35.33 -4.19 +0.36 3.45 3.81
35 4367 4.15 -0.36 4.81 4.45
40 38.33 -1.19 +0.10 4.87 4.97
45 41.17 1.65 -0.14 4.65 4.51
50 41.33 1.81 -0.16 5.57 5.41
55 40.83 1.31 -0.11 5.36 5.25
60 36.00 -3.52 +0.30 5.19 5.49
39.52 0.02 -0.01 33.90 33.89
La suma de las desviaciones es cero
La suma de debe ser cero
La suma de promedios observados experimentalmente también debe ser igual a la suma de
72
los promedios ajustados.
En la tabla anterior, los valores son casi iguales y las diferencias se deben a las
aproximaciones de los decimales
73

Clases Diseños Experimentales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clases Diseños Experimentales

Cargado por

Copyright:

Formatos disponibles

DISEÑOS EXPERIMENTALES

La experimentación forma parte natural de la mayoría de las investigaciones científicas e

La forma tradicional que se utilizaba en la experimentación, para el estudio de estos

 Es necesario un gran número de pruebas.

 La conclusión obtenida en el estudio de cada factor tiene un campo de validez muy

 No es posible estudiar la existencia de interacción entre los factores.

 Es inviable, en muchos casos, por problemas de tiempo o costo.

Las técnicas de diseño de experimentos se basan en estudiar simultáneamente los efectos

1. Definir los objetivos del experimento

2. Identificar todas las posibles fuentes de variación, incluyendo:

Factores tratamiento y sus niveles,

3. Elegir una regla de asignación de las unidades experimentales a las condiciones de

4. Especificar las medidas con que se trabajará (la respuesta), el procedimiento

5. Ejecutar un experimento piloto.

7. Esquematizar los pasos del análisis.

8. Determinar el tamaño muestral.

9. Revisar las decisiones anteriores. Modificarlas si se considera necesario.

1.- Definir los objetivos del experimento.

2.- Identificar todas las posibles fuentes de variación.

Una fuente de variación es cualquier “cosa” que pueda generar variabilidad en la

A continuación, se precisan más estos importantes conceptos.

(i) Factores y sus niveles.

Se denomina factor tratamiento a cualquier variable de interés para el experimentador

Los factores tratamiento pueden ser cualitativos o cuantitativos.

Ejemplos de factores cualitativos y sus niveles respectivos son los siguientes:

 Sustrato (diferentes tipos de sustratos),

 Densidad de siembra (diferentes tipos de densidad de siembra o plantación),

 Trabajador (los trabajadores encargados de hacer una tarea),

 Tiempo (horas, días, semanas de almacenamiento de semillas),

 Un aditivo químico (niveles de nitrógeno), el sexo (hombre y mujer),

 Enseñanza (determinado método de enseñanza cuyos resultados se quieren comparar

Ejemplos de factores cuantitativos son los siguientes:

 Tamaño de plantas (diferentes tamaños de plantas para plantar en campo)

 Dosis (distintas cantidades de abonamiento con NPK),

 Temperatura (conjuntos de temperaturas seleccionadas en unos rangos de interés).

Debe tenerse en cuenta que en el tratamiento matemático de los modelos de diseño de

Tratamiento a cada una de las combinaciones de niveles de los distintos factores.

Experimento factorial es el diseño de experimentos en que existen observaciones de todos

(ii) Unidades experimentales.

Ejemplos de unidades experimentales son:

Agricultura, Forestales: semillas, plantas, parcelas de tierra,

Zootecnia, individuos o animales,

Industrias, lotes de material, trabajadores, máquinas.

Cuando un experimento se ejecuta sobre un período de tiempo de modo que las

Es muy importante que las unidades experimentales sean representativas de la población

(iii) Factores “nuisance”: bloques, factores ruido y co-variables.

En cualquier experimento, además de los factores tratamiento cuyo efecto sobre la

Desde un punto de vista matemático el tratamiento que se hace de los factores-bloque es el

Covariable. Si el factor nuisance es una propiedad cuantitativa de las unidades

Ruido. Si el experimentador está interesado en la variabilidad de la respuesta cuando se

En resumen, las posibles fuentes de variación de un experimento son:

Debida a las condiciones de interés Planificada y sistemática

Debida al resto de condiciones controladas Planificada y sistemática

Debida a condiciones no controladas No planificada, pero ¿sistemática?

(Error de medida, material experimental.)

La regla de asignación o diseño experimental especifica que unidades experimentales

 Diseño factorial o no,

 Asignación al azar en determinados niveles de observación,

 El orden de asignación, etc.

 En la práctica, existen una serie de diseños estándar que se utilizan en la mayoría de

4.- Especificar las medidas que se realizarán (la “respuesta”), el procedimiento

Variable respuesta o variable de interés. Los datos que se recogen en un experimento

Es importante precisar de antemano cuál es la variable respuesta y en qué unidades se